基于多模态特征融合与局部感知推理的多智能体分布式路径协作方法OA

在部分可观测且动态变化的环境中,深度强化学习(DRL)为多智能体路径规划提供具备自学习、泛化与动态适应能力的分布式求解途径.然而, DRL在该问题中仍存在协调性不足与局部近视两个挑战:智能体间的隐式交互易引发冲突,仅依赖局部观测的反应式避障又导致路径冗长与全局目标偏离.为此,提出一种基于多模态特征融合与局部感知推理的分布式路径协作方法——LYRA.该方法在分布式DRL框架下构建从感知到决策的学习体系,使智能体能依托局部观测实现推理与隐式让行.多模态状态编码器融合局部碰撞线索与全局路径语义,平衡即时避障与长期导航目标;奖励引导的路径学习策略保证局部决策与全局任务一致;群体协作机制通过隐式优先级推理化解局部冲突;自适应学习率机制动态调节策略更新以提升训练稳定性.实验结果表明, LYRA在任务成功率和安全性上较基线方法有大幅提升,在不同环境复杂度下保持良好泛化性,为实现高效鲁棒的分布式多智能体路径规划提供了新范式.